提出了一种名为多标签 Takagi-Sugeno-Kang 模糊系统（ML-TSK FS）的新的多标签分类方法，通过使用模糊规则设计了 ML-TSK FS 的结构来建模特征和标签之间的关系，并通过集成基于模糊推理的多标签相关学习和多标签回归损失来训练模糊系统。12 个基准多标签数据集上的实验证明，ML-TSK FS 在各种评估指标上的性能与现有方法相竞争，表明它能够有效地使用模糊推理规则建模特征 - 标签关系并提升分类性能。

Sep, 2023

本文提出了一种神经模糊推理系统，用于分类应用，可以选择不同的输入变量集合构建每个模糊规则的前提部分，且该方法比一些先前方法在某些真实世界分类问题中具有更好或非常接近的性能。

Oct, 2022

我们提出了一种自适应迁移学习方法，可以在高维环境中处理特征维度大于样本大小的情况。通过使用一种新型的融合罚函数，配合能够根据可迁移结构自适应调整的权重，我们能够检测和聚合特征层面或样本层面的可迁移结构，从而选择性地融合可迁移信号并过滤掉不可迁移信号。此方法的有效性已经通过合成数据和真实数据的验证得到证明。

Mar, 2024

本文提出了一种自适应的神经模糊网络和一种改进的量子减法聚类，将数据挖掘技术与机器学习结合，发现模糊分类规则。实验结果表明，基于量子减法聚类的神经模糊网络具有较好的逼近和概括能力，并且与传统方法相比，模糊规则的数量和网络输出精度有显著降低。

Jan, 2021

本研究提出了一种使用 TS 模糊子系统的新型广义学习系统来快速鉴别烟草产地的方法，采用增量学习的训练方式来大幅减少模型的训练时间，取得了 95.59% 的预测准确率。

Dec, 2022

提出了鲁棒的多标签 Takagi-Sugeno-Kang 模糊系统（R-MLTSK-FS），其包含软标签学习机制、基于规则的 TSK FS 和基于软标签和模糊特征空间的相关增强学习机制，旨在同时解决模型透明度、标签相关性学习和标签噪声抗干扰性这三个关键问题。该方法在大量实验中证明了其优越性。

Jan, 2023

通过将离散特征子集转换为连续嵌入空间优化的方法，我们提出了一种新的深度可微特征选择任务，实现了一种通用和原则性的框架，该框架包括深度特征子集编码器，准确性评估器，解码器和梯度上升优化器。

Feb, 2023

通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

Jul, 2023

一种基于可解释的 Takagi-Sugeno-Kang 模糊系统的多视图模糊表示学习方法被提出，该方法从两个方面实现多视图表示学习：将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息；基于 L_(2,1)-norm 回归的新的正则化方法被提出以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构；通过对多个基准多视图数据集进行广泛实验验证了该方法的优越性。

Sep, 2023

本文总结了模糊规则系统在各种领域中的应用、存在的问题以及针对这些问题提出的一些改进方法，尤其着重介绍了基因模糊系统、分层模糊系统、神经模糊系统、演化模糊系统等几种改进方法的原理和应用，同时本文也对该领域未来研究方向提出了一些建议。

Sep, 2022